Вы находитесь на странице: 1из 11

“USO DE TECNICAS DE PROGRAMACIÓN LINEAL EN ESTIMACIONES

ESTADISTICAS”

Fernando Sandoya1, Rinna López Aguirre2


1
Matemático, Escuela Politécnica Nacional 1994, M.Sc. en Investigación de
Operaciones y Logística 2003, email fsandoya@espol.edu.ec
2
Ing. En Estadística e Informática 2004; email rinna_lopez@hotmail.com

SUMMARY
This investigation has as purpose to demonstrate that the Optimization Techniques such as:
linear programming constitutes an alternative method to find linear estimators, similar to
ordinary least squares method. For prove the results was used the PIB data and
exportations data from 1990s first trimester until 2000s fourth trimester, in this study is used
the Lindo program. Along this work a brief presentation of the Optimization Techniques is
given, it is also shown information of topics related with linear regression and the limitations
that it is necessary to consider for its use.

RESUMEN
El propósito de esta investigación es demostrar que las técnicas de optimización como la
programación lineal constituyen un método alternativo para encontrar estimadores lineales,
similares al método de mínimos cuadrados ordinarios. Para probar los resultados se utilizó
los datos del pib y las exportaciones del primer trimestre de 1990 hasta el cuarto trimestre
del 2000, y se hizo uso del software Lindo. A lo largo de este trabajo se hace una
presentación de lo que son las técnicas de optimización, además se muestra información de
de temas relacionados con la regresión lineal y las limitaciones que hay que considerar para
su uso.

1. INTRODUCCIÓN

La programación lineal puede ser aplicada  La Minimización del error en la


como un procedimiento para resolver predicción al ordenar los datos.
problemas de regresión lineal en los mismos Llamado también Regresión Ordinal.
casos en los que se usa el método de los
mínimos cuadrados. La estimación clásica de La Programación lineal es una técnica de
mínimos cuadrados encuentra la fórmula de modelado matemático, diseñada para optimizar
predicción que minimiza la suma cuadrática el uso de recursos limitados, trata acerca de la
entre la observación y la predicción. De esta planeación de las actividades para obtener un
manera se pueden encontrar varios “modelos resultado óptimo; esto es el resultado que
de regresión lineal”, la programación lineal es mejor alcance la meta especificada entre todas
aplicable porque además de minimizar la las alternativas de solución. El método
suma cuadrática del error se realiza lo simplex se utiliza para resolver estos
siguiente: problemas.

 La Minimización de la suma de los Los elementos básicos para construir un


errores absolutos, modelo de programación lineal son: variables
 La Minimización del máximo error de decisión, función objetivo y restricciones
absoluto o

1
2. FORMA ESTÁNDAR DEL MODELO 1.- Una variable dual se define para cada una
LINEAL. de las m ecuaciones de la restricción primal.

El modelo consiste en elegir valores de x 1, 2.- Una restricción dual se define para cada
x2, ......... xn para maximizar Z(x) sujeta a primal de las n variables primales.
ciertas restricciones Ax ≤ b donde Z :
A  R n  R es la función objetivo, A es una 3.- Los coeficientes del lado izquierdo de la
restricción dual, son iguales a los coeficientes
matriz de dimensión mxn de los coeficientes
de la restricción (columna) de la variable
del sistema, b es un vector  R n de las primal asociada. Su lado derecho es igual al
restricciones. coeficiente del objetivo de la misma variable
Tabla 2
Z(x) = c1x1 + c2 x2 +..............+ cnxn Descripción de la construcción
Del modelo Dual a partir del primal

Sujeta a las restricciones:


primal.
a11x1 + a12x2 + .............. a1nxn ≤ b1
4.- Los coeficientes de la función objetivo de
a21x1 + a22x2 + .............. a2nxn ≤ b2 la dual son iguales al lado derecho de las
ecuaciones de la restricción primal.
a31x1 + a32x2 + .............. a3nxn ≤ b3 Variables Primales

. Variables
Duales
X1
C1
x2
c2
x3....
c3....
a1j....
cj.....
xn
cn
. Y1
Y2
A11
A21
a12
a22
a13...
a23...
a1j....
a2j....
A1n
A2n
b1
b2
am11 + am2x2 + .............. a12xn ≤ bm . . . ...... . ...... . .
. . . . ...... . ...... . .
. . . . ...... . ...... . .
x1 ≥ 0, x2 ≥ 0, .............. xn ≥ 0 ym am1 am2 am3... amj.... amn bm
Restricción Objetivo
Dual a la j Dual

Tabla 1
Datos necesarios para un modelo
La tabla 2 representa gráficamente esta
de programación lineal de asignación información donde y1, y2 ........ym representan
de recursos a actividades las variables duales.

Dada la siguiente función objetivo con sus


respectivas restricciones
Consumo de recursos por unidad Cantidad
de actividad de
Recursos Actividad recursos
disponibles
Maximizar:
1
1
a11
2
a12
3 ….
a13…
J….
a1j…
n
a1n b1
F(x) = c1x1 + c2x2 + ............... + cnxn
2 a21 a22 a23… a2j… a2n b2
. . . … … . .
. . . … … . .
Sujeta a las restricciones:
. . . … … . .
M am1 am2 am3… amj… amn bm
Contribución a a11x1 + a12x2 + ................ a1nxn = b1
Z por unidad
De actividad
c1 c2 c3 cj cn a21x1 + a22x2 + ................ a2nxn = b2
a31x1 + a32x2 + ................ a3nxn = b3
.
.
3. ANÁLISIS DE DUALIDAD
.
am1x1 + am2x2 + .............. amnxn = bm
Las variables y las restricciones del problema
dual se pueden construir simétricamente a
partir del problema primal. Hay que tener las x1  0, x 2  0.................x n  0
siguientes consideraciones:

2
Aplicando el método dual se obtiene lo ajuste” para los datos. El científico alemán
siguiente: Karl Gauss propuso estimar los parámetros
 0 y  1 a fin de minimizar la suma de los
Minimizar cuadrados de las desviaciones verticales,
w = b1y1 + b2y2 + ..... bmym utilizando el método de mínimos cuadrados,
Sujeta a: como se observa en el gráfico 1.
a11y1 + a21x2 +................ am1ym > c1
a12y1 + a22x2 +................ am2ym > c2
a13y1 + a23x2 +................ am3ym > c3
.
.
.
.
a1ny1 + a2ny2 + ........... + amnym > cn

4. REGRESIÓN LINEAL
El análisis de regresión, es una técnica
estadística para modelar e investigar la Gráfico 1
relación entre dos o más variables. Puede Desviaciones de los datos del modelo de
usarse un análisis de regresión, para construir Regresión estimado
un modelo que sea óptimo y permita hacer
predicciones. 5. DETERMINACIÓN DEL MODELO
DE REGRESIÓN LINEAL SIMPLE
El científico inglés Sir Francis Galton (1822-
1911), fue quien desarrolló el análisis de Dadas n observaciones de la muestra, se
regresión, sus primeros experimentos con pueden expresar como:
regresión comenzaron con un intento de  
analizar los patrones de crecimiento Yi =  0   1 x i   i , i  1,2,3...n
hereditarios de los guisantes. Animado por los Por lo tanto si tenemos que la ecuación
resultados Sir Francis Galton extendió para  
incluir los patrones hereditarios de la estatura Yi =  0   1 xi predice el i-ésimo valor
de las personas adultas. Descubrió que los de y (Cuando x=xi), la desviación del valor
niños que tienen padres altos o bajos tendían a 
observado de Y a partir de la recta Y ,
regresar a la estatura promedio de la población

adulta. conocido también como error es (yi - y i), la
suma de los cuadrados de las desviaciones que
En la regresión lineal simple se establece que deben minimizar es la siguiente:
Y es una función de solo una variable n
independiente, con frecuencia se denomina
regresión bivariada porque solo hay dos
SCE= 
i 1
i
2

variables una dependiente y una n

( y

independiente.  i  yi ) 2
i 1

Y   0  1 x   , es conocido como modelo n

(y
 

de regresión lineal simple, porque solo tiene  i  (  0  1 xi )) 2


i 1
una variable independiente, regresor o
predictor x, y una variable dependiente o donde SCE también es llamado la suma de los

variable respuesta Y. cuadrados de los errores. Por tanto, 0 y

Las estimaciones de  0 y  1 deberán dar 1 son los valores que minimizan SCE, así,
como resultado una recta que es “el mejor

3
se debe resolver el problema de programación entre variables, eso no implica que exista una
no lineal sin restricciones. relación causal entre las mismas.
Para resolver esto se deriva parcialmente y
luego se iguala a cero. Las relaciones de regresión, son válidas para
 n 2
 los valores de las variables de regresión que se
 
SCE


 i 1
  y i
 
   0   1 xi  
 



encuentran en el rango de los datos originales,
es decir cuando se usan valores de X fuera de
  
ese rango, disminuye la certeza acerca de la
 0 0

validez del modelo supuesto.
n
SCE


  2 { yi  (  0  1 xi )}
 0 i 1
 

SCE  n n 
 2y 

  2  n  0  1 xi 
 0
i
 
 i 1 i 1

 
Igualando a cero obtenemos el siguiente
resultado.
n

 (x
i 1
i  x) ( y i  y )
Gráfico 2
Serie temporal del pib y eportaciones del
primer trimestre de 1990 hasta el cuarto
1  n trimestre del 2000

 (x
i 1
i  x) 2

Realizamos el mismo procedimiento para


encontrar el valor de 1 En el gráfico 2 podemos observar que en la
serie del pib el máximo valor se presenta en el
n
SCE  
 0
  2  y
i 1
i
 
   0  1 xi  xi
 
año 97 en el cuarto trimestre el y el valor
mínimo se da en el primer trimestre del año
90. En cambio en las exportaciones el valor
 

máximo ocurre en el año 97 tercer trimestre y
SCE  n n n 
x y x 

  2  0  1 x i2elvalor mínimo en el año 90 primer trimestre,
 0
i i i
 en la tabla 3 se presentan los valores
 i 1 i 1 i 1
 
correspondientes.
Igualando a cero esta ecuación obtenemos el
siguiente resultado de 0. Tabla 3
Valor máximo y mínimo de la serie del pib y
 0  y  1 x las exportaciones

6. LIMITACIONES DEL ANÁLISIS DE Pib Exportaciones


REGRESIÓN Max 57279000 20896000
Min 44153000 11741000
Se debe poner atención en la selección de las
variables, así como en la determinación de la Fuente: Banco Central del Ecuador
forma del modelo, es posible desarrollar
relaciones estadísticas entre variables que no
tienen ninguna relación en un sentido práctico, El valor máximo de la serie del pib es de
es posible que se observe una fuerte asociación cincuenta y siete millones doscientos setenta y
nueve mil sucres, mientras que de las

4
exportaciones es veinte millones ochocientos u i  vi  ei , lo cual es una restricción de
noventa y seis mil sucres. El valor mínimo de signo, la programación lineal se diseña para
la serie del pib es de cuarenta y cuatro variables no negativas, El modelo a utilizar es
millones ciento cincuenta y tres mil sucres y el siguiente:
de las exportaciones es once millones
setecientos cuarenta y un mil sucres, según Minimizar:
tabla 3.
u1  v1  u 2  v 2  .........u n  v n
k

58000
Sujeta a: u1  v1   0   x
j 1
j ij

56000
 j con restricción en signo,
54000

52000
El modelo de optimización a utilizar es el
siguiente:
PIB

50000

48000

Min
46000
u1+v1+u2+v2+u3+v3+u4+v4+u5+v5+u6+v6+
44000 u7+v7+u8+v8+u9+v9+u10+v10+u11+v11+u1
10000 12000 14000 16000 18000 20000 22000
2+v12+u13+v13+u14+v14+u15+v15+u16+v1
EXPORTACIONES
6+u17+v17+u18+v18+u19+v19+u20+v20+u2
Gráfico 3 1+v21+u22+v22+u23+v23+u24+v24+u25+v2
Gráfico de dispersión del pib y
5+u26+v26+u27+v27+u28+v28+u29+v29+u3
exportaciones del primer trimestre de 1990
hasta el cuarto trimestre del 2000 0+v30+u31+v31+u32+v32+u33+v33+u34+v3
4+u35+v35+u36+v36+u37+v37+u38+v38+u3
9+v39+u40+v40+u41+v41+u42+v42+u43+v4
3+u44+v44
El gráfico 3 muestra el diagrama de dispersión, subject to
que representan las observaciones por pares de u1-v1+b0+11741b1=44153
los datos de las exportaciones y del pib, la u2-v2+b0+13419b1=45310
figura sugiere una relación positiva y lineal, es u3-v3+b0+12799b1=45446
positiva porque X y Y se mueven en la misma u4-v4+b0+13200b1=46622
dirección, a medida que X aumenta, Y u5-v5+b0+13584b1=46488
aumenta y a medida que X disminuye Y u6-v6+b0+13901b1=47688
disminuye; lineal porque la relación puede u7-v7+b0+14388b1=48217
identificarse mediante una línea recta. u8-v8+b0+14652b1=48245
u9-v9+b0+15264b1=48989
7. ESTIMACIÓN DE LAS MÍNIMAS u10-v10+b0+15663b1=49604
DESVIACIONES ABSOLUTAS u11-v11+b0+15405b1=49500
(LAD) u12-v12+b0+15608b1=49343
u13-v13+b0+15559b1=49972
Consiste en minimizar la suma de los valores u14-v14+b0+16028b1=50075
absolutos del error, esto es minimizar u15-v15+b0+16568b1=50762
| e1 |  | e2 | .......... ... | en | , al realizar u16-v16+b0+16397b1=50638
está regresión el modelo se ve menos afectado u17-v17+b0+16860b1=51293
por los valores extremos, es conveniente u18-v18+b0+16746b1=51612
utilizarla cuando en un conjunto de u19-v19+b0+19122b1=53409
observaciones se tiene pocos datos con estas u20-v20+b0+17412b1=53836
características, la programación lineal puede u21-v21+b0+18091b1=52945
ser aplicada si se utiliza el supuesto u22-v22+b0+18560b1=54444
u23-v23+b0+18211b1=53782

5
u24-v24+b0+18767b1=53903 observaciones, Aquí, una observación extrema
u25-v25+b0+19030b1=54206 puede tener en este caso un efecto muy grande,
u26-v26+b0+18989b1=54327
u27-v27+b0+19216b1=55011 La forma general para un modelo de
u28-v28+b0+19055b1=55791 programación lineal para una regresión LMAX
u29-v29+b0+18958b1=55788 seria la siguiente:
u30-v30+b0+19561b1=56597
u31-v31+b0+20896b1=57085 Minimizar: Z
u32-v32+b0+20150b1=57279 Sujeta a:
u33-v33+b0+19507b1=56653
u34-v34+b0+19194b1=56699
 0  x0  1  .........xik  k  u i  vi  y i
u35-v35+b0+18682b1=57125
u36-v36+b0+19662b1=57201 z  u i  vi  0
u37-v37+b0+18777b1=53628 x j restricción de signo
u38-v38+b0+19436b1=52632
para i=1,2,,,,,,,,n
u39-v39+b0+19675b1=52590
para k=1,2,,,,,,,n
u40-v40+b0+18841b1=52280
u41-v41+b0+19245b1=52424
El modelo de optimización a utilizar es el
u42-v42+b0+19241b1=53704
siguiente:
u43-v43+b0+19465b1=54486
Min z
u44-v44+b0+18631b1=55442
subject to
END
b0-y0+11741b1+u1-v1=44153
b0-y0+13419b1+u2-v2=45310
Utilizando el software Lindo al modelo
b0-y0+12799b1+u3-v3=45446
propuesto la función objetivo obtiene el valor
b0-y0+13200b1+u4-v4=46622
óptimo de treinta y seis mil ochocientos tres
b0-y0+13584b1+u5-v5=46488
con veintisiete centésimas, en sesenta y nueve
b0-y0+13901b1+u6-v6=47688
iteraciones.
b0-y0+14388b1+u7-v7=48217
b0-y0+14652b1+u8-v8=48245
La ecuación resultante es:
b0-y0+15264b1+u9-v9=48989
b0-y0+15663b1+u10-v10=49604
y  27212.46  1.43 X 1
b0-y0+15405b1+u11-v11=49500
b0-y0+15608b1+u12-v12=49343
Es decir que por cada incremento de las b0-y0+15559b1+u13-v13=49972
exportaciones en una unidad el pib aumentará b0-y0+16028b1+u14-v14=50075
en uno con cuarenta y tres unidades; el b0-y0+16568b1+u15-v15=50762
intercepto es veintisiete mil doscientos doce b0-y0+16397b1+u16-v16=50638
con cuarenta y seis centavos y tiene una b0-y0+16860b1+u17-v17=51293
pendiente positiva. b0-y0+16746b1+u18-v18=51612
b0-y0+19122b1+u19-v19=53409
Calculando el R2 obtenemos: R 2  0.71 b0-y0+17412b1+u20-v20=53836
Esto significa que el 71% del cambio en el b0-y0+18091b1+u21-v21=52945
valor del pib se explica mediante un cambio en b0-y0+18560b1+u22-v22=54444
las exportaciones. b0-y0+18211b1+u23-v23=53782
b0-y0+18767b1+u24-v24=53903
8. REGRESIÓN MÍNIMA DE LA b0-y0+19030b1+u25-v25=54206
MÁXIMA DESVIACIÓN (LMAX) b0-y0+18989b1+u26-v26=54327
b0-y0+19216b1+u27-v27=55011
La regresión LMAX es lo opuesto del método b0-y0+19055b1+u28-v28=55791
de regresión LAD, LMAX minimiza el peor b0-y0+18958b1+u29-v29=55788
error de predicción que se presenta en las b0-y0+19561b1+u30-v30=56597
b0-y0+20896b1+u31-v31=57085

6
b0-y0+20150b1+u32-v32=57279 z-u41-v41>=0
b0-y0+19507b1+u33-v33=56653 z-u42-v42>=0
b0-y0+19194b1+u34-v34=56699 z-u43-v43>=0
b0-y0+18682b1+u35-v35=57125 z-u44-v44>=0
b0-y0+19662b1+u36-v36=57201 end
b0-y0+18777b1+u37-v37=53628
b0-y0+19436b1+u38-v38=52632 Utilizando el Software Lindo, el valor óptimo
b0-y0+19675b1+u39-v39=52590 es encontrado en ciento treinta y dos
b0-y0+18841b1+u40-v40=52280 iteraciones, z= 2845,269. La ecuación
b0-y0+19245b1+u41-v41=52424 encontrada es la siguiente:
b0-y0+19241b1+u42-v42=53704
b0-y0+19465b1+u43-v43=54486 y  32539.8  1.16 X i1
b0-y0+18631b1+u44-v44=55442
z-u1-v1>=0 De la ecuación encontrada podemos concluir
z-u2-v2>=0 que por cada incremento de las exportaciones
z-u3-v3>=0 en una unidad el pib aumentará en un entero
z-u4-v4>=0 con dieciséis unidades; tiene una pendiente
z-u5-v5>=0 positiva y el intercepto es treinta y dos mil
z-u6-v6>=0 quinientos treinta y nueve con ocho décimas.
z-u7-v7>=0
z-u8-v8>=0 9. MEDIDA DE LA BONDAD DE AJUSTE
z-u9-v9>=0 PARA LMAX
z-u10-v10>=0
z-u11-v11>=0 Se define r que es igual al rango de las Y i es
z-u12-v12>=0 decir max{ Yi } - min{ Yi }, R 2 se calcula
z-u13-v13>=0
de la siguiente forma para el LMAX:
z-u14-v14>=0
z-u15-v15>=0 max u i  vi  /( n  k  1)
1
z-u16-v16>=0 r /( n  1)
z-u17-v17>=0
r= Rango( Yi )
z-u18-v18>=0
z-u19-v19>=0 r= 57279 – 44153= 13126
z-u20-v20>=0
z-u21-v21>=0 R 2  0.78
z-u22-v22>=0
z-u23-v23>=0 Podemos concluir que el 78% del cambio en
z-u24-v24>=0 el valor del pib se explica mediante un cambio
z-u25-v25>=0 en las exportaciones
z-u26-v26>=0
z-u27-v27>=0 10. MÉTODO DUAL APLICADO AL LAD
z-u28-v28>=0
z-u29-v29>=0 El modelo que ser utiliza para maximizar
z-u30-v30>=0 aplicando el dual es:
z-u31-v31>=0
z-u32-v32>=0
Maximizar: 1Y1  2Y2  ......  nYn
z-u33-v33>=0
z-u34-v34>=0 Sujeta a:
z-u35-v35>=0 1 x1 j   2 x 2 j  ..........   n x nj
z-u36-v36>=0 j  0.......k
z-u37-v37>=0
z-u38-v38>=0
i  1
z-u39-v39>=0 i  1
z-u40-v40>=0

7
Se define el siguiente artificio: L6<=2
Li  i  1 o Li  i  1 L7<=2
El modelo a utilizar es el siguiente: L8<=2
Maximizar L9<=2
L10<=2
L1Yi  L2Y2  ......  LnYn  Y1  Y2  ........  Yn
L11<=2
Sujeta a: L12<=2
L1 xij  L2 x 2 j  .....  Ln x nj L13<=2
 x1 j  x 2 j  .....  x nj L14<=2
L15<=2
j  0,1......., k L16<=2
Li  2 i  0,1.......... , n L17<=2
L18<=2
Modelo de optimización para utilizar en el L19<=2
software lindo L20<=2
L21<=2
Max
L22<=2
44153L1+45310L2+45446L3+46622L4+4648
L23<=2
8L5+47688L6+48217L7+48245L8+48989L9+
L24<=2
49604L10+49500L11+49343L12+49972L13+
L25<=2
50075L14+50762L15+50638L16+51293L17+
L26<=2
51612L18+53409L19+53836L20+52945L21+
L27<=2
54444L22+53782L23+53903L24+54206L25+
L28<=2
54327L26+55011L27+55791L28+55788L29+
L29<=2
56597L30+57085L31+57279L32+56653L33+
L30<=2
56699L34+57125L35+57201L36+53628L37+
L31<=2
52632L38+52590L39+52280L40+52424L41+
L32<=2
53704L42+54486L43+55442L44
L33<=2
L34<=2
SUBJECT TO
L35<=2
L1+L2+L3+L4+L5+L6+L7+L8+L9+L10+L11
L36<=2
+L12+L13+L14+L15+L16+L17+L18+L19+L
L37<=2
20+L21+L22+L23+L24+L25+L26+L27+L28
L38<=2
+L29+L30+L31+L32+L33+L34+L35+L36+L
L39<=2
36+L37+L38+L39+L41+L41+L42+L43+L44
L40<=2
<=44
L41<=2
L42<=2
11741L1+13419L2+12799L3+13200L4+1358
L43<=2
4L5+13901L6+14388L7+14652L8+15264L9+
L44<=2
15663L10+15405L11+15608L12+15559L13+
16028L14+16568L15+16397L16+16860L17+
Resultados Obtenidos:
16746L18+19122L19+17412L20+18091L21+
18560L22+18211L23+18767L24+19030L25+
Después de cincuenta y tres iteraciones se
18989L26+19216L27+19055L28+18958L29+
encuentra el valor óptimo, la función objetivo
19561L30+20896L31+20150L32+19507L33+
toma el valor de f(x) = 2431656.
19194L34+18682L35+19662L36+18777L37+
19436L38+19,675L39+18841L40+19245L41
y  27212.46  1.43 X
+19241L42+19465L43+18631L44<=764156
L1<=2 Del modelo resultante se puede concluir que
L2<=2 por cada incremento de las exportaciones en
L3<=2 una unidad el pib aumentará en uno con
L4<=2 cuarenta y tres unidades; tiene una pendiente
L5<=2 positiva y el intercepto es veintisiete mil

8
doscientos doce con cuarenta y seis 9604h10+49500g11-9500h11+49343g12-
centésimas. 49343h12+49972g13-49972h13+
50075g14-50075h14+50762g15-
11. MÉTODO DUAL PARA EL LMAX 50762h15+50638g16-50638h16+51293g17-
El modelo dual que se utiliza para encontrar el 51293h17+51612g18-51612h18+53409g19-
LMAX se describe a continuación: 53409h19+53836g20-53836h20+52945g21-
52945h21+54444g22-54444h22+53782g23-
Maximizar: 53782h23+53903g24-53903h24+54206g25-
1 y1   2 y 2  3 y 3  ...........   n y n 54206h25+54327g26-54327h26+55011g27-
55011h27+55791g28-55791h28+55788g29-
Sujeta a : 55788h29+56597g30-56597h30+57085g31-
i xij  0 j  1,2,......k 57085h31+57279g32-57279h32+56653g33-
56653h33+56699g34-56699h34+57125g35-
i   i  0 i  1,2,......n 57125h35+57201g36-57201h36+53628g37-
53628h37+52632g38-52632h38+52590g39-
52590h39+52280g40-52280h40+52424g41-
 i   i  0 i  1,2,......n 52424h41+53704g42-53704h42+54486g43-
 i 1 54486h43+55442g44-55442h44

i tiene restricción de signo subject to

Es conveniente utilizar el siguiente cambio de g1-h1+g2-h2+g3-h3+g4-h4+g5-h5+g6-h6+


variable, a través de las nuevas variables: g7-h7+g8-h8+g9-h9+g10-10+g11-h11+
g i  hi   i g12-h12+g13-h13+g14-h14+g15-h15+
g16-h16+g17-h17+g18-h18+g19-h19+
g i  hi  i g20-h20+g21-h21+g22-h22+g23-h23+
Sustituyendo en el modelo dual planteado g24-h24+g25-h25+g26-h26+g27-h27+
obtenemos lo siguiente: g28-h28+g29-h29+g30-h30+g31-h31+
g32-h32+g33-h33+g34-h34+g35-h35+
n g36-h36+g37-h37+g38-h38+g39-h39+
Maximizar:  (g
i 1
i  hi ) y i g40-h40+g41-h41+g42-h42+g43-h43+
g44-h44=0
Sujeta a:
n 11741g1-11741h1+13419g2-
 (g
i 1
i  hi ) y ij  0 j  1,2,.......k 13419h2+12799g3+2799h3+13200g4+
13200h4+13584g5-13584h5+13901g6-
2hi  0 1  1,2,.......n 13901h6+14388g7-14388h7+14652g8-
4652h8+15264g9-15264h9+15663g10-
gi  0 i  1,2,.......n 15663h10+15405g11-15405h11+15608g12-
n 15608h12+15559g13-15559h13+16028g14-
 (g
i 1
i  hi )  1 16028h14+16568g15-16568h15+16397g16-
16397h16+16860g17-16860h17+16746g18-
16746h18+19122g19-19122h19+17412g20-
17412h20+18091g21-18091h21+18560g22-
El modelo de optimización es el siguiente: 18560h22+18211g23-18211h23+18767g24-
18767h24+19030g25-19030h25+18989g26-
Max 18989h26+19216g27-19216h27+19055g28-
44153g1-44153h1+45310g2- 19055h28+18958g29-18958h29+19561g30-
5310h2+45446g3-45446h3+46622g4- 19561h30+20896g31-20896h31+20150g32-
46622h4+46488g5-46488h5+47688g6- 20150h32+19507g33-19507h33+19194g34-
47688h6+48217g7+8217h7+48245g8- 19194h34+18682g35-18682h35+19662g36-
48245h8+48989g9-48989h9+49604g10- 19662h36+18777g37-18777h37+19436g38-
19436h38+19675g39-19675h39+18841g40-

9
18841h40+19245g41-19245h41+19241g42- así al resolver el modelo LAD la solución
19241h42+19465g43-19465h43+18631g44- es encontrada en sesenta y nueve
18631h44=0 iteraciones, el modelo LMAX en ciento
treinta y dos iteraciones se obtiene el valor
óptimo; pero aplicando el método dual al
g1+h1+g2+h2+g3+h3+g4+h4+g5+h5+g6+h6+ LAD la solución es encontrada en
g7+h7+g8+h8+g9+h9+g10+h10+g11+h11+g1 cincuenta y tres iteraciones, mientras que
2+h12+g13+h13+g14+h14+g15+h15+g16+h1 LMAX, se encuentra la solución en cinco
6+g17+h17+g18+h18+g19+h19+g20+h20+g2 iteraciones,
1+h21+g22+h22+g23+h23+g24+h24+g25+h2
5+g26+h26+g27+h27+g28+h28+g29+h29+g3  Se ha podido observar que existen
0+h30+g31+h31+g32+h32+g33+h33+g34+h3 métodos alternativos al de mínimos
4+g35+h35+g36+h36+g37+h37+g38+h38+g3 cuadrados que permiten resolver el
9+h39+g40+h40+g41+h41+g42+h42+g43+h4 problema de la regresión lineal mediante
3+g44+h44<=1 técnicas de optimización,

 El avance que ha tenido la informática en


En cinco iteraciones es encontrado el valor los últimos años ha ocasionado que
óptimo. actualmente dispongamos de programas
que resuelven muchos problemas
La ecuación encontrada es: matemáticos, en este trabajo se uso en
y  32539.8  1.16 X particular el programa LINDO, que es
especializado en la resolución de
De la ecuación encontrada podemos concluir problemas de programación lineal y no
que por cada incremento de las exportaciones lineal, y lo hemos utilizado en la
en una unidad el pib aumentará en uno con resolución de problemas de Regresión
dieciséis unidades; tiene una pendiente lineal.
positiva y el intercepto es treinta y dos mil
quinientos treinta y nueve con ocho décimas.

13. REFERENCIAS
12. CONCLUSIONES

 A lo largo de toda está 1. R López, “Uso de Técnicas de


investigación, se ha podido determinar Programación Lineal y Entera en
que existe una gran interrelación entre la Estimaciones Estadísticas”(Tesis, Instituto
estadística (fundamentalmente de tipo de Ciencias Matemáticas, Escuela
inferencial) y la teoría de optimización Superior Politecnica del Litoral, 2004)
(lineal y no lineal)
2. Mendehall William, Estadística
 En los ejercicios prácticos, Matemática con Aplicaciones (Segunda
se ha empleado el SOFTWARE de Edición, Grupo Editorial Iberoamérica,
Optimización LINDO el mismo que ha México, 1994), pp. 363-397
demostrado su eficiencia en este tipo de
análisis, por ser interactivo, de fácil
utilización en los datos al ingresar los 3. Linus Schrage, Optimization Modeling
modelos, obteniendo los resultados en with Lindo (Quinta Edición, International
forma rápida, además tiene una gran Thomson Editores, California, USA
precisión numérica, 1997), pp. 352-361.

 Se puede usar eficientemente la teoría de


la dualidad de la programación lineal en la 4. Allen L. Webster, Estadística Aplicada a
solución del modelo de Regresión lineal; los Negocios y la Economía (Tercera

10
Edición, Mc Graw Hill Interamericana
S.A., Colombia, 2003), pp.324-349

11